【技术实现步骤摘要】
本专利技术涉及海洋环境信息监测，具体涉及大气层顶辐亮度数据反演海表叶绿素a浓度的方法及装置。
技术介绍
1、叶绿素a是海洋浮游植物细胞内的一种主要色素，是表征浮游植物数量的重要指标之一，研究表明浮游植物通过光合作用生成的净初级生产力约占全球净初级生产力的一半；此外叶绿素a浓度是衡量水体富营养化程度的重要指标。因此，研究海表叶绿素a浓度不仅可以为海洋渔业提供数据支撑，而且可以监测海洋生态环境变化。
2、目前，传统海表叶绿素a浓度观测方法不能实现长时间连续大范围观测；但是，水色卫星的发展使实时监测水色要素变化，进而实时监测海洋环境，及时调整应对策略成为可能。
3、对于当前基于卫星遥感数据反演海表叶绿素a浓度的方法，专利技术人认为存在以下关键问题需要解决：
4、1.海表叶绿素a浓度反演算法主要分为经验算法和半分析算法，经验算法由于精度较高且结构简单，得到了广泛应用，但多为区域模型，只能适用于光谱特性相近的水体，不具有全球普适性；
5、2.目前普遍采用的海表叶绿素a浓度反演算法，需要首先基于卫星数据进行复杂的大气校正，再基于校正后的遥感反射率数据进行海表叶绿素a浓度反演；但对于光谱特性十分复杂的二类水体，一方面，通用的大气校正模型适用性不高；另一方面，大气校正过程可能会导致遥感反射率数据出现负值（无效值），从而导致该像素虽然有卫星数据，但却无法反演得到叶绿素a浓度。
6、因此，如何解决上述技术问题，设计一种大气层顶辐亮度数据反演海表叶绿素a浓度的方法及装置，用于解决一种经验算法
7、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
1、针对上述技术问题，本专利技术实施例提供了大气层顶辐亮度数据反演海表叶绿素a浓度的方法及装置，以解决上述
技术介绍
中提出的问题。
2、本专利技术提供了以下技术方案：
3、大气层顶辐亮度数据反演海表叶绿素a浓度的方法，包括以下步骤：
4、获取水色卫星可见光波段的大气层顶辐亮度数据；
5、对大气层顶辐亮度数据进行预处理得到待选输入因子；
6、对待选输入因子进行标准化处理得到模型输入数据；
7、构建海表叶绿素a浓度神经网络反演模型；
8、将模型输入数据输入至海表叶绿素a浓度神经网络反演模型；
9、通过海表叶绿素a浓度神经网络反演模型反演海表叶绿素a浓度；
10、将反演得到的海表叶绿素a浓度信息进行专题制图。
11、优选的，所述水色卫星为海洋1号c卫星和海洋1号d卫星；所述大气层顶辐亮度数据从海洋1号c卫星和海洋1号d卫星的水色水温扫描仪l1b级数据中获取，水色水温扫描仪l1b级数据是通过对水色水温扫描仪 l0级分幅数据进行几何定位和辐射校正生成的各波段辐亮度数据，其定标系数来自海洋卫星定标结果。
12、优选的，所述对大气层顶辐亮度数据进行预处理得到待选输入因子，包括：对大气层顶辐亮度数据进行海陆掩膜、云掩膜和海冰掩膜的数据筛选，将筛选后的数据进行log10对数转换得到待选输入因子。
13、优选的，根据水陆标识进行海陆掩膜，水陆标识参考moderate resolutionimaging spectroradiometer（modis）、visible infrared imaging radiometer suite（viirs）等卫星海陆掩膜产品；
14、根据水色水温扫描仪l1b级数据将太阳天顶角或卫星天顶角较大数据剔除，
15、再根据函数ρ(λ) = πlt(λ)/f0(λ)cosθ0 进行云掩膜和海冰掩膜；
16、其中，ρ(λ) 为大气层顶表观反射率，lt(λ)为大气层顶辐亮度数据，f0(λ) 为地外辐照度，θ0 为太阳天顶角；
17、计算可见光不同波段大气层顶辐亮度数据的比值，以及，
18、计算可见光各波段大气层顶辐亮度数据和可见光不同波段大气层顶辐亮度数据比值的log10对数值。
19、优选的，所述对待选输入因子进行标准化处理得到模型输入数据的步骤中，需要根据特征选择确定海表叶绿素a浓度神经网络反演模型的最佳输入因子。
20、优选的，所述对待选输入因子进行标准化处理得到模型输入数据的步骤中，标准化处理方式包括将每个待选输入因子减去该待选输入因子的均值，然后除以该待选输入因子的标准差。
21、优选的，所述构建海表叶绿素a浓度神经网络反演模型，包括以下步骤：
22、构建残差神经网络模型；
23、根据置换特征重要性并结合对比实验方法，确定残差神经网络模型的最佳输入因子；
24、采用贝叶斯优化和控制变量方法确定超参数；具体的，超参数包括模型宽度、残差块数量、初始学习率等。
25、优选的，在将模型输入数据输入至海表叶绿素a浓度神经网络反演模型之前，还包括：构建训练数据集，训练数据集中的样本对海表叶绿素a浓度神经网络反演模型进行训练学习；
26、其中，训练数据集输入因子为国产水色卫星大气层顶辐亮度数据，标签数据为高精度海表叶绿素a浓度产品或者实测数据，并采用python 3.9 进行训练，python是一种功能强大且易于学习的高级程序设计语言，可以简单高效的实现面向对象编程，适用于快速的程序应用开发。
27、优选的，所述将反演得到的海表叶绿素a浓度信息进行专题制图，包括采用python3.9将反演得到的海表叶绿素a浓度添加经纬度信息绘制成专题图，并添加地图底图、颜色条、图名等信息。
28、大气层顶辐亮度数据反演海表叶绿素a浓度的装置，包括：
29、遥感数据获取模块，用于获取水色卫星可见光波段的大气层顶辐亮度数据；
30、遥感数据预处理模块，用于对大气层顶辐亮度数据进行预处理得到待选输入因子，并对待选输入因子进行标准化处理得到模型输入数据；
31、海表叶绿素a浓度产品反演模块，用于构建海表叶绿素a浓度神经网络反演模型，并将模型输入数据输入至海表叶绿素a浓度神经网络反演模型中进行海表叶绿素a浓度的反演；
32、专题制图模块，用于将反演得到的海表叶绿素a浓度信息进行专题制图。
33、本专利技术实施例提供的大气层顶辐亮度数据反演海表叶绿素a浓度的方法及装置，具有以下有益效果：
34、1.本专利技术提供的基于国产水色卫星，可以实现一天两次观测全球，对全球海洋环境监测具有重要意义；
35、2.本专利技术可以有效解决一种经验算法只能适用于水色要素相近区域的局限性，采用本专利技术的反演算法不需要针对不同水体采用不同算法，即可实现基本文档来自技高网...
【技术保护点】
1.大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，所述水色卫星为海洋1号C卫星和海洋1号D卫星；所述大气层顶辐亮度数据从海洋1号C卫星和海洋1号D卫星的水色水温扫描仪L1B级数据中获取。
3.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，所述对大气层顶辐亮度数据进行预处理得到待选输入因子，包括：对大气层顶辐亮度数据进行海陆掩膜、云掩膜和海冰掩膜的数据筛选，将筛选后的数据进行log10对数转换得到待选输入因子。
4.根据权利要求3所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，
5.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，所述对待选输入因子进行标准化处理得到模型输入数据的步骤中，需要根据特征选择确定海表叶绿素a浓度神经网络反演模型的最佳输入因子。
6.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，所
7.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，所述构建海表叶绿素a浓度神经网络反演模型，包括以下步骤：
8.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，在将模型输入数据输入至海表叶绿素a浓度神经网络反演模型之前，还包括：构建训练数据集，训练数据集中的样本对海表叶绿素a浓度神经网络反演模型进行训练学习。
9.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，所述将反演得到的海表叶绿素a浓度信息进行专题制图，包括将反演得到的海表叶绿素a浓度加经纬度信息进行专题制图。
10.大气层顶辐亮度数据反演海表叶绿素a浓度的装置，其特征在于，包括：
...【技术特征摘要】
1.大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，所述水色卫星为海洋1号c卫星和海洋1号d卫星；所述大气层顶辐亮度数据从海洋1号c卫星和海洋1号d卫星的水色水温扫描仪l1b级数据中获取。
3.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，所述对大气层顶辐亮度数据进行预处理得到待选输入因子，包括：对大气层顶辐亮度数据进行海陆掩膜、云掩膜和海冰掩膜的数据筛选，将筛选后的数据进行log10对数转换得到待选输入因子。
4.根据权利要求3所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，
5.根据权利要求1所述的大气层顶辐亮度数据反演海表叶绿素a浓度的方法，其特征在于，所述对待选输入因子进行标准化处理得到模型输入数据的步骤中，需要根据特征选择确定海表叶绿素a浓度神经网络反演模型的最佳输入因子。
6.根...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。